优化胸部X光片中的结核病检测：通过可解释性解决深度神经网络中的偏差
计算机视觉与模式识别
2024-10-10 v2
摘要
从胸部X光图像中自动分类活动性结核病具有挽救生命的潜力，尤其是在缺乏熟练人类专家的中低收入国家。鉴于缺乏可用的标注数据来训练此类系统以及公开数据集的不平衡性，我们认为深度学习模型的可靠性是有限的，即使它们可以在测试数据上获得完美的分类准确率。评估此类系统可靠性的一种方法是确保模型使用与医学专家相同的输入图像区域进行预测。在本文中，我们表明，与直接在目标数据集上训练的模型相比，在大规模代理任务上预训练深度神经网络，以及使用混合目标优化网络（MOON）——一种在预训练和微调期间平衡不同类别的技术——可以改善模型与专家之间决策基础的一致性。同时，这些方法根据测试集上的接收者操作特征曲线下面积（AUROC）保持了完美的分类准确率，并提高了在独立、未见过的数据集上的泛化能力。为了可复现性，我们的源代码已在线公开。
引用
@article{arxiv.2407.14064,
title = {Refining Tuberculosis Detection in CXR Imaging: Addressing Bias in Deep Neural Networks via Interpretability},
author = {Özgür Acar Güler and Manuel Günther and André Anjos},
journal= {arXiv preprint arXiv:2407.14064},
year = {2024}
}
备注
Preprint of paper presented at EUVIP 2024